Pengenalan Wajah dengan Menggunakan NLDA (Null-Space Linear Discriminant Analysis) - Face Recognition Using NLDA (Null-Space Linear Discriminant Analysis).

(1)

i

Universitas Kristen Maranatha

PENGENALAN WAJAH DENGAN MENGGUNAKAN NLDA

(NULL-SPACE LINEAR DISCRIMINANT ANALYSIS)

Disusun oleh : Yudi Setiawan (0722095)

Jurusan Teknik Elektro, Fakultas Teknik, Universitas Kristen Maranatha Jl. Prof. Drg. Suria Sumantri, MPH, No. 65, Bandung, Indonesia

E – mail : [email protected]

ABSTRAK

Pengenalan wajah (face recognition) telah menjadi teknologi yang

berkembang dan banyak digunakan dalam kehidupan. Meningkatnya penelitian dan

pengembangan dalam bidang pengenalan wajah, yaitu disebabkan oleh peningkatan

fokus masyarakat umum dalam hal keamanan dan kebutuhan untuk pembuktian

identitas di dunia digital (identifikasi dan verifikasi). Fungsi utama identifikasi untuk

aplikasi pengenalan / pengawasan (one-to-many), sedangkan verifikasi untuk aplikasi

autentikasi (one-to-one).

Dalam Tugas Akhir ini, akan dicoba merealisasikan aplikasi teknologi

identifikasi yang berdasarkan pada pengolahan wajah dengan menggunakan sampel

wajah manusia dari hasil capture menggunakan kamera. Metoda yang digunakan

dalam Tugas Akhir ini untuk proses pengekstraksian ciri citra wajah yaitu Null-space

Linier Discriminant Analysis (NLDA).

Dari hasil yang percobaan yang diperoleh dengan menggunakan database

wajah face recognition data dan Maranatha, proses pengenalan wajah dengan

menggunakan metoda NLDA yang citra uji seluruhnya ada dalam training set mampu

menghasilkan tingkat keberhasilan 100%. Sedangkan ketika citra uji ada di luar

training set tingkat keberhasilan yang didapat yaitu dari 75,92% sampai dengan

81,25%.

(2)

ii

FACE RECOGNITION USING

NLDA (NULL-SPACE LINEAR DISCRIMINANT ANALYSIS)

Composed by : Yudi Setiawan (0722095)

Department of Electrical Engineering, Faculty of Engineering, Maranatha Christian University, Bandung, Indonesia

E-mail : [email protected]

ABSTRACT

Face recognition it has been the most developed technology and most adapted

in civil society. The increasing of research and development of face recognition

system is caused by society focus in the security requirement and identification or

verification in digital world requirement. Main function for identification is used for

recognition/observation application (one-to-many), meanwhile the verification is for

autentication aplication (one-to-one).

In this final project will try to realize identification technology application

based on face recognition, using face image sample that got from camera capture

process. Null-space Linier Discriminant Analysis (NLDA). is the method that used

on in this final project for feature extraction process

The result from experiment in this final project that used face recognition data

database and Maranatha database, face recognition using NLDA method that all

image training located in training set, can reached 100% efficacy point. Meanwhile

image training located outside training set. The efficacy point is 75,92 % until

81,25%.

(3)

v

DAFTAR ISI

ABSTRAK ... i

ABSTRACT ... ii

KATA PENGANTAR ... iii

DAFTAR ISI ... v

DAFTAR GAMBAR ... vii

DAFTAR TABEL ... viii

BAB I PENDAHULUAN 1.1 Latar Belakang ... 1

1.2 Identifikasi Masalah ... 2

1.3 Rumusan Masalah ... 2

1.4 Tujuan ... 3

1.5 Pembatasan Masalah ... 3

1.6 Sistematika Penulisan ... 3

BAB II LANDASAN TEORI 2.1 Biometrik ... 5

2.2 Citra ... 6

2.3 Pengenalan Wajah ... 9

2.4 Algoritma Deteksi Wajah ... 12

2.4.1 Local Successive Mean Quantization Transform (SMQT) ... 13

2.5 Ektraksi fitur (feature extraction) ... 16

2.5.1 Null-space Linear Discriminant Analysis (NLDA)... 17

2.5.1.1 Algoritma NLDA... 18

2.6 Algoritma K-means clustering ... 21

2.7 Vektor Eigen dan Nilai Eigen ... 23

(4)

vi

BAB III PERANCANGAN SISTEM

3.1 Proses Pelatihan ... 25

3.1.1 Deteksi Wajah... 26

3.1.1.1 Algoritma Local SMQT... 27

3.1.2 Ekstraksi Ciri Dengan NLDA... 28

3.1.3 Algoritma K-means Clustering... 30

3.2 Proses Pengujian ... 31

BAB IV SIMULASI DAN ANALISA PERCOBAAN 4.1 Simulasi ... 34

4.2 Data Pengamatan ... 35

4.3 Hasil Percobaan ... 36

4.3.1 Percobaan 1 ... 37

4.3.2 Percobaan 2 ... 45

4.4. Analisa Data ... 54

BAB V KESIMPULAN DAN SARAN 5.1 Kesimpulan ... 57

5.2 Saran ... 57

DAFTAR PUSTAKA ... 58

LAMPIRAN PROGRAM MATLAB

LAMPIRAN PERCOBAAN 1

(5)

vii

DAFTAR GAMBAR

Gambar 2.1 Citra digital ... 7

Gambar 2.2 Represntasi heksadesimal pada RGB ... 9

Gambar 2.3 Proses pengenalan wajah... 10

Gambar 2.4 Operasi suatu MQU ... 14

Gambar 2.5 Successive Mean Quantization Transform (SMQT) sebagai pohon biner ... 15

Gambar 2.6 Ilustrasi proses clustering dengan metode K-means ... 22

Gambar 2.7 Hasil clustering dengan centroid awal yang berbeda ... 23

Gambar 3.1 Flowchart proses pengenalan wajah ... 25

Gambar 3.2 Flowchart proses deteksi wajah ... 26

Gambar 3.3 Flowchart local SMQT ... 27

Gambar 3.4 Flowchart ekstraksi ciri menggunakan NLDA ... 28

Gambar 3.5 Flowchart algoritma k-means ... 30

(6)

viii

DAFTAR TABEL

Tabel 4.1 Hasil percobaan 1, dengan database face recognition data, (terdapat satu citra untuk setiap orang/kelas) ... 38

Tabel 4.2 Hasil percobaan 1, dengan database face recognition data, (terdapat dua citra untuk setiap orang/kelas) ... 40

Tabel 4.3 Hasil percobaan 1, dengan database Maranatha, (terdapat satu citra untuk setiap orang/kelas) ... 42

Tabel 4.4 Hasil percobaan 1, dengan database Maranatha, (terdapat dua citra untuk setiap orang/kelas) ... 44

Tabel 4.5 Hasil percobaan 2, dengan database face recognition data, (terdapat satu citra untuk setiap orang/kelas) ... 47

Tabel 4.6 Hasil percobaan 2, dengan database face recognition data, (terdapat dua citra untuk setiap orang/kelas) ... 49

Tabel 4.7 Hasil percobaan 2, dengan database Maranatha, (terdapat satu citra untuk setiap orang/kelas) ... 52

(7)

1

BAB I

PENDAHULUAN

1.1.Latar Belakang

Biometrik merupakan karakter-karakter pada manusia yang dapat digunakan

untuk membedakan antara orang yang satu dengan orang yang lainnya[2]. Salah satu

contoh pemanfaatan teknologi biometrik yang banyak digunakan adalah dengan

memanfaatkan wajah. Wajah manusia memiliki banyak informasi dengan

keunikannya masing-masing untuk setiap individu, seperti bentuk mata, hidung,

telinga, dan bahkan retina mata. Informasi yang terkandung dalam masing-masing

wajah manusia itulah yang menjadi dasar berkembangnya metode pengenalan wajah

dalam dunia teknologi dewasa ini[3].

Teknologi biometrik mampu memenuhi dua fungsi utama dalam pengenalan

wajah, yaitu identifikasi dan verifikasi, sehingga biometrik wajah dalam

perkembanganya mampu berkembang pesat sebagai teknologi yang menawakan dan

dapat diandalkan untuk memberikan tingkat kemanan yang tinggi dalam sistem

identifikasi seseorang. Fungsi utama identifikasi biasanya diterapkan untuk aplikasi

pengenalan / pengawasan (one-to-many), sedangkan verifikasi biasanya diterapkan

untuk aplikasi autentikasi (one-to-one)[3].

Metoda pengenalan wajah sendiri bisa dibilang bukan merupakan hal baru

dalam dunia teknologi. Bahkan dalam 10 tahun belakangan ini banyak bermunculan

metoda-metoda baru yang coba dikembangkan dan ditawarkan dengan

keunggulannya masing-masing berikut juga dengan kelemahanya yang muncul,

karena dalam prakteknya setiap metoda proses pengenalan wajah sangat dipengaruhi

oleh variasi sampel pose wajah dan faktor pencahayaan. Perubahan akibat kedua

faktor itulah yang dapat mempengaruhi dan cenderung menurunkan keberhasilan

dari proses pengenalan wajah.

Dalam Tugas Akhir ini, akan dicoba merealisasikan aplikasi teknologi

(8)

2

wajah manusia dari hasil capture menggunakan kamera. Seperti yang sudah

disebutkan, banyak metoda yang berkembang untuk metoda pengenalan wajah.

Dalam Tugas Akhir ini dipilih untuk mengembangkan metoda yang sudah ada, yaitu

Linier Discriminant Analysis (LDA).

LDA adalah sebuah metoda pengolahan wajah yang berdasarkan atas

pendekatan supervised dimensionality reduction. Permasalahan yang kerap dihadapi

dalam LDA adalah permasalahan small sample size[1]. Permasalahan ini muncul

karena ketersediaan citra wajah (per orang, khususnya untuk proses pelatihan)

jumlahnya sangat sedikit, sehingga mengakibatkan terjadinya singularity yang

berujung pada meningkatknya kompleksitas perhitungan[1]. Pengembangan yang

dimaksudkan di sini adalah dengan memanfaatkan null-space untuk mengatasi

persoalan permasalahan yang sering muncul dalam penggunaan metoda LDA, dengan

tujuan dapat meningkatkan performa LDA dalam proses pengenalan wajah.

1.2. Identifikasi Masalah

Berdasarkan latar belakang di atas, masalah utama yang akan dibahas pada

Tugas Akhir ini adalah mengembangkan metoda Linear Dicriminant Analysis (LDA)

dengan memanfaatkan null-space untuk proses pengenalan dan identifikasi wajah

menggunakan program MATLAB (Matrix Laboratory).

1.3.Rumusan Masalah

Perumusan masalah yang coba penulis bahas berdasarkan penelitian yang

dilakukan dalam Tugas Akhir ini adalah :

1) Bagaimana mengekstrasikan dan merepresentasikan citra wajah dengan

menggunakan metoda NLDA (Null-space Linear Discriminant Analysis)

yang disimulasikan dalam program MATLAB?

2) Bagaimana tingkat keberhasilan aplikasi yang dirancang dalam mengenali

(9)

3

1.4.Tujuan

Adapun tujuan yang ingin dicapai dalam pengerjaan Tugas Akhir ini adalah :

1) Merealisasikan proses pengenalan wajah dengan menerapkan metoda

NLDA (Null-space Linear Discriminant Analysis) untuk mengekstraksi

dan merepresentasikan citra wajah.

2) Menganalisis tingkat keberhasilan aplikasi yang dirancang dalam

mengenali citra wajah dari sampel yang digunakan.

1.5.Pembatasan Masalah

Batasan-batasan masalah dalam Tugas Akhir ini adalah :

1) Hanya terdapat satu wajah dalam satu citra.

2) Database wajah yang digunakan adalah database face recognition data

yang diambil dari http://cswww.essex.ac.uk/mv/allfaces/index.html , dan

database Maranatha.

3) Metoda pengenalan wajah yang digunakan adalah NLDA (Null-space

Linear Discriminant Analysis)

4) Hasil deteksi wajah adalah citra wajah dalam grayscale (ekstensi JPG)

berukuran 50 x 50 piksel.

5) Wajah dalam citra wajah dalam keadaan frontal view.

6) Simulasi aplikasi pengenal wajah ini menggunakan perangkat lunak

MATLAB R2008b.

1.6.Sistematika Penulisan

Laporan Tugas Akhir ini terdiri dari lima bab utama. Berikut ini merupakan

uraian singkat sistematika penulisan beserta penjelasan dari masing – masing bab,

(10)

4

BAB I PENDAHULUAN

Pada bab ini dijelaskan latar belakang penulis yang menjadi alasan

dilakukannya penelitian, identifikasi masalah yang diselesaikan dalam Tugas

Akhir ini, tujuan yang dicapai, pembatasan masalah agar ruang lingkup

masalah tidak terlalu luas, dan sistematika penulisan yang menjelaskan uraian

singkat penulisan Laporan Tugas Akhir ini.

BAB II LANDASAN TEORI

Pada bab ini diuraikan teori – teori yang menjadi referensi penulis dan

pendukung dalam pengerjaaan Tugas Akhir ini. Teori yang diuraikan lebih

lanjut pada bab ini diantaranya adalah teori pengenalan wajah, metoda-metoda

yang berkembang dan digunakan dalam proses pengenalan wajah.

BAB III PERANCANGAN SISTEM

Pada bab ini dijelaskan perancangan dari setiap modul program yang dibuat

dengan menggunakan software MATLAB (Matrix Laboratory) dalam bentuk

diagram alir (flowchart).

BAB IV – SIMULASI DAN ANALISA DATA PENGAMATAN

Pada bab ini ditampilkan data pengamatan dan analisa hasil percobaan

pengenalan wajah dengan metoda NLDA (Null-space Linear Discriminant

Analysis) dengan berbagai input citra wajah yang dijadikan sebagai parameter

dalam batasan masalah.

BAB V – KESIMPULAN DAN SARAN

Pada bab ini akan disampaikan kesimpulan yang didapat dari hasil percobaan

yang telah dilakukan dalam Tugas Akhir ini, serta saran – saran yang dapat

(11)

57

BAB V

KESIMPULAN DAN SARAN

Bab ini berisikan mengenai kesimpulan-kesimpulan dari percobaan yang

sudah dilakukan dalam Tugas Akhir ini serta saran-saran yang dapat berguna agar

mendapatkan hasil yang lebih baik di kemudian hari :

5.1. Kesimpulan

Mengacu pada data pengamatan dan analisa penelitian pada bab sebelumnya,

maka dapat ditarik beberapa kesimpulan sebagai berikut.

1) Pada sistem yang dibuat, tingkat keberhasilan yang paling baik adalah

100% pada percobaan citra uji seluruhnya ada di dalam training set.

2) Pada percobaan citra uji di luar training set tetapi terdapat identitas

yang sama di dalam training set, tingkat keberhasilan yang paling baik

hanya mencapai 81,25%

3) Faktor-faktor yang mempengaruhi sistem dalam proses pengenalan

wajah adalah jumlah citra latih lebih sedikit daripada jumlah citra uji,

jumlah variasi citra latih lebih sedikit daripada citra uji, pencahayaan,

pemakaian aksesoris (dalam Tugas Akhir ini berupa kacamata) dan

cara pengambilan gambar.

5.2. Saran

1) Meningkatkan kemampuan pada sistem pengenalan wajah dapat

dilakukan dengan menambah jumlah citra training set gambar setiap

orang (class) dalam kondisi yang berbeda-beda untuk digunakan

sebagai training set.

2) Dalam metode klasifikasi sebaiknya dapat menggunakan metode yang

(12)

58

DAFTAR PUSTAKA

[1] Li-Fen Chen, Hong-Yuan Mark Liao, Ming-Tat Ko, Ja-Chen Lin, and Gwo-Jong

Yu, A new LDA-based face recognition system which can solve the small sample

size problem, Pattern Recognition Volume 33, 2000, pp. 1713−1726.

[2] Boulgouris, Plataniotis, and Micheli-Tzanakou (editors), Biometrics : Theory,

Methods, and Applications, Chapter 1, IEEE Inc., 2010, pp. 1−20.

[3] S.Z. Li and A.K. Jain (editors), Handbook of Face Recognition, eds. Springer,

2005.

[4] B. Noble and J.W.Daniel, Applied Linear Algebra, Prentice-Hall, Englewood

Cliffs, NJ, 1988.

[5] Nilsson, Mikael, Jorgen Nordberg, and Ingvar Claesson. (2006). Face Detection

Using Local SMQT Features and Split Up Snow Classifier.Blekinge Institute of

Technology, School of Engineering, Department of Signal Processing.

[6] Nilsson, Mikael, Mattias Dahl, and Ingvar Claesson. The Successive Mean

Quatization Transform. IEEE International Conference on Acoustics, Speech,

and Signal Processing (ICASSP), March 2005, Vol. 4, pp. 429 – 432.

[7] Rowley Henry A., Baluja, Shumeet., Kanade, Takeo., “Human Face Detection In

Visual Scene”.

[8] Hoi, Hyun., Kim, James., “Survey Paper: Face Detection And Face

Recognition”.

[9] Juwei Lu, K.N. Plataniotis, A.N. Venetsanopoulos, “Regularization Studies of

Linear Discriminant Analysis in Small Sample Size Scenario with Application to

Face Recognition”, Bell Canada Multimedia Laboratory, The Edward S. Rogers

Sr. Department of Electrical and Computer Engineering University of Toronto,

(13)

59

[10] H. Yu and J. Yang, “A direct LDA algorithm for high-dimensional data with

application to face recognition,” Pattern Recognition, vol. 34, pp.2067–2070,

2001.

[11] Juwei Lu, Konstantinos N. Plataniotis, and Anastasios N. Venetsanopoulos,

Face Recognition using LDA-Based Algorithms, IEEE Transactions on Neural

Networks, Volume 14, No. 1, January 2003.

[12] Rajalakshmi, K., Thilaka, B., Rajeswari, N., An Adaptive K – Means Clustering

Algorithm and Its Application to Face Recognition, Computer Science &

Mathematics, V. 4, no. 9, Suceava, 2010.

[13] Gonzalez, C, Rafael., and Woods, E, Richard., 2008, Digital Image Processing

3rd Ed, New Jersey, USA: Pearson Prentice Hall.

[14] Howard Anton, “Aljabar Linier Elementer”, edisi kelima.

[15] http://cswww.essex.ac.uk/mv/allfaces/index.html Database Face Recognition